新闻  |   论坛  |   博客  |   在线研讨会
骁龙820A汽车 ADAS 分享方案介绍—车辆检测常用方法简介(一)
车载技术工程师 | 2018-06-26 19:49:01    阅读:86   发布文章

 骁龙 820 车用处理器使用智能后视摄像头和停车辅助功能为驾驶员提供重要的提醒和信息,让驾驶员感知其周围环境,提高其对汽车的控制能力和安全意识,从而确保驾驶员的安全。而这一切都归功于集成了Qualcomm Hexagon 680 DSP 和带有多个传感器的图像信号处理器 。

本篇我们就来聊聊关于车辆检测方法涉及到各类传感器等.


    前方车辆检测,这里指的是基于车辆自身对象,而不是公路交通部分的车辆检测。

    前方车辆检测,可以用于防碰撞系统、进而用于自动巡航(ACC)等功能,应用场景广泛,所以,此技术是一项比较基础的技术。而先前的ACC,只是基于正前方车辆的检测,对于侧面的车辆或环境的跟踪能力有限。但随着各种传感器和导航地图的应用,ACC的能力也会大大增强。ACC只用于高速行驶状态,但已有低速跟车系统的研究。

1. 传感器

前方车辆检测,常用的传感器有高频雷达(毫米波)、红外激光雷达、摄像头。

blob.png

每种传感器都有各自的优缺点:


雷达:自己可选用的波段有限,常用24G(厘米波)、79G波段。对雨雾天气的适应能力好,探测距离大150米,但容易受电磁干扰影响。据传,79G雷达技术对国内有限制的。而欧盟和我国的工信部是建议24G作为车载雷达波段。而美国是推荐79G波段作为车载雷达的使用波段。

红外激光:抗干扰能力强,定向性。但对于雨雾天气的穿透能力弱。且成本高。

摄像头:基于视觉的探测。对距离的判断较弱(单目视觉情况下),易受雨雾天气的影响。

所以,想适应各种场景,厂商一般会采用多种传感器收集信息。

这里重点总结下,基于单目视觉的车辆检测技术。从视觉上来讲,车辆的形状、颜色和大小虽然限定在一定范围,但都是不固定的,而且,其外形会受到自身姿势和外部环境,如光照或旁边物体的影响。


2. 基于先验知识的特征检测

汽车有一些一些典型的特征, 如对称性、颜色、阴影、几何特征(如角点、边缘)、纹理、车灯。

blob.png

1)对称性

    汽车从前方和后方来看,无论是在区域面积还是边缘特征上,具有很好的对称性。

但是,对称性特征易受噪声的干扰,以及角度的影响。

2)颜色

    颜色空间一般不直接使用在车辆上,而比较有效的手段是识别路面和车辆阴影。

3)阴影

    车辆阴影是与车辆相关的一个重要的特征。因为车辆阴影一般比周围区域都要暗。但具体的参数指标,还与光照,即天气状况有关。一般做法是采用两个阈值,一高、一低,低阈值用于确定阴影,而高阈值由阴影周围环境来确定,如局部分割算法,均值+方差。

4)角点

    先检测出所有角点,然后再根据角点的空间关系,如汽车的四个角点会形成一个矩形,来筛选汽车。

5)垂直或水平边缘

    一种方式,直接检测垂直边缘,利用类似直方图计算垂直投影。然后,车辆底盘下方阴影部分也是重要的水平边缘特征。另外,也有采用多分辨率的方式,在每个层次都,边缘只是作为一种初步的筛选/搜索手段。

6)纹理

    熵、共生矩阵都可被作为基于纹理的图像分割的基础。

7)车灯

    主要是用于夜间车辆的探测。因为,以上特征在晚上基本都无效了。

8)基于运动的方法

    以上其中都是空间特征。而基于运动的方法是对图像连续序列的分析。如光流法。

但光流法会消耗大量的计算资源,时间和空间。

3. 识别

    无论是用遍历的方式,还是用特征筛选出的候选区域,对筛选出的子图像需要进一步识别,车辆还是非车辆。blob.png


1)基于模板的方法

    采用简化过的车辆模板来筛选。

2)基于外观特征的方法

车辆VS非车辆 分类

二类分类问题,一般采用机器学习/模式识别的方法解决。

首先,需要大量的训练图片。

其次,选取合适的特征,如PCA,HOG,harris,haar wavelet feature, SIFT等再次,选取分类器,如NN,svm等

4. 跟踪

车辆的跟踪的好处:

blob.png


1)提前预测车辆出现的位置,减少车辆检测的搜索空间,节省计算时间。

2)区分多个车辆,每辆车都有各自的特征,如HOG,边缘,灰度密度等,使用这些特征,就可以区分不同类型的车辆。根据跟踪算法的结果,即使是同款车辆出现在同一场景,也能基本区分。目前,常用的跟踪算法,有卡曼滤波算法。

5. 近几年热门的车辆检测方法

  1)HOG 特征 + haar-like特征;SVM 或 adaboost  分类器; (HOG + SVM ; haar-like + adaboost 速度快)

  2)光流法;或增加一个HMM分类器,或SVM分类器


--------------------------------------------

前方车辆检测技术,常见问题:

1. 选取那种分辨率来计算?

mobileye采用的是 640×480 或 752 * 480 彩色CMOS摄像头

2. 如何选取特征?

3. 如何跟踪?

4. 如何计算距离?

5. 如何计算前车速度?

6. 如何区分多个车辆?

--------------------------------------------

基于Haar和HoG特征的前车检测方法,其特征在于,包括以下步骤: 

步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本,并将正、负样本规格化到24 X 24像素下; 

步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征,形成特征向量; 

步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器; 

步骤4)利用级联的Adaboost算法对弱分类器进行训练,得到级联车辆强分类器;

步骤5)针对车载摄像头获得的前方道路视频图像,将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断。

也有利用改进的HOG特征值,和SVM训练,来对车辆进行识别

harr特征、hog特征(大量的正、负样本图片训练),利用adboost算法 进行训练、级联,形成强分类器

-------------------------

HOG特征的计算及一些改进:

HOG:histogram of oriented gradient, 方向梯度直方图,就是描述物体的形状和边缘特征,并且不涉及尺度和旋转。

1. 将子图像灰度化,归一化(为了除去光照和阴影的影响)

2. 划分成小cells,如3*3个像素块或6*6个像素块。

3. 计算每个cell中每个pixel的gradient方向,或者说是边缘的方向。

4. 统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor。

5. 连接所有cell形成一个子图像的特征描述子。

6. 子图像之间是一般是由重叠的区域的,这样一个cell影响的就不是一个子图像了。一个矩形子图像,一般有三个参数:每个子图像有多少方格、每个方格有几个像素、以及每个方格直方图有多少頻道(梯度方向)。

由于人体轮廓在局部HOG归一化特征上有良好的稳定性,最初是用于人体检测。

在Dalal和Triggs的人检测实验中,发现最优的单元块划分是3x3或6x6个像素,同时直方图是9通道。

车辆的姿态在汽车电子系统中变得愈发重要了,特别是在涉及主动安全、驾驶辅助、导航等领域。

一般来说,3D加速仪、磁传感器、陀螺仪经常混在一起。

1. 3D加速仪

加速度传感器通过测量给定直线轴向的弹簧上的力来检测直线加速度和重力矢量。

但其有两个缺点:

1) 加速度传感器不能建立绝对或相对的航向。当处于固定状态时,3轴加速度传感器可以测量单个加速度轴上的加速度。可以根据垂直重力加速度矢量计算出倾斜角度。

2) 加速度传感器对运动太过敏感,极易抖动。易产生累计误差。·

2. 磁传感器

磁传感器用于测量地球的磁场,进而推导出航向。

缺点:

1)易受局部磁场干扰。需要开发复杂的算法区分和防止干扰。

3. 陀螺仪

陀螺仪可以测量围绕轴的旋转角速度,并且,其规模已经缩小到颗粒大小,低功耗,在消费电子产品广泛应用。

缺点:

1)不能提供绝对基准。如向下的角度、航向。

所以,要想获取设备的完整角度姿态:当前角度,和角速度。需要3D加速仪和磁传感器的配合使用。

通过3D加速仪,获取当前向下的角度; 通过磁传感器获取航向方向; 而陀螺仪能提供3D的角速度。

2)陀螺仪有零点偏移的现象。且对温度比较敏感。所以,需要对其进行校正。

另外, 方向盘转角、车轮转角(方向)也经常让人纠缠不清。这两个应该是在车辆电子稳定系统中应用比较多,用于防滑、防车轮刹死。或者,作为一种车辆姿态的数据来源,用于辅助校正车辆姿态。

4. 方向盘转角 steer wheel angle

方向盘转角与车轮转角不一定就成正比关系,但大致一般轿车的比例为10:1, 所以,方向盘一般转角在900度内,车轮转角范围90度左右!而且还要注意,汽车在转向的时候,不管是左传还是右转,左右轮的转角是不相等的。

5. 车轮转角(来源:变速箱 、或车轮)

转向时,外侧车轮走大圆,里侧的车轮走小圆。

目的,为了避免在汽车转向时产生的路面对汽车行驶的附加阻力和轮胎过快磨损,要求转向系能保证在汽车转向时,所有车轮均作纯滚动。显然,这只有在所有车轮的轴线都相交于一点时方能实现。


本节就先介绍到这里。





参与讨论
登录后参与讨论
推荐文章
最近访客